那些年你不知道的爬虫面试题

1. 什么是爬虫和反爬虫？

爬虫：使用任何技术手段，批量获取网站信息的一种方式。

反爬虫：使用任何技术手段，阻止别人批量获取自己网站信息的一种方式。

2. 常见的反爬虫机制

通过UA 识别爬虫 有些爬虫的UA是特殊的，与正常浏览器的不一样，可通过识别特征UA，直接封掉爬虫请求

设置IP访问频率，如果超过一定频率，弹出验证码 如果输入正确的验证码，则放行，如果没有输入，则拉入禁止一段时间，如果超过禁爬时间，再次出发验证码，则拉入黑名单。当然根据具体的业务，为不同场景设置不同阈值，比如登陆用户和非登陆用户，请求是否含有refer。

通过并发识别爬虫 有些爬虫的并发是很高的，统计并发最高的IP，加入黑名单（或者直接封掉爬虫IP所在C段）

请求的时间窗口过滤统计 爬虫爬取网页的频率都是比较固定的，不像人去访问网页，中间的间隔时间比较无规则，所以我们可以给每个IP地址建立一个时间窗口，记录IP地址最近12次访问时间，每记录一次就滑动一次窗口，比较最近访问时间和当前时间，如果间隔时间很长判断不是爬虫，清除时间窗口，如果间隔不长，就回溯计算指定时间段的访问频率，如果访问频率超过阀值，就转向验证码页面让用户填写验证码

限制单个ip/api token的访问量 比如15分钟限制访问页面180次，具体标准可参考一些大型网站的公开api，如twitter api，对于抓取用户公开信息的爬虫要格外敏感

识别出合法爬虫 对http头agent进行验证，是否标记为、百度的spider，严格一点的话应该判别来源IP是否为、baidu的爬虫IP，这些IP在网上都可以找到。校验出来IP不在白名单就可以阻止访问内容。

3. 破解反爬虫机制的几种方法

策略1：设置下载延迟，比如数字设置为5秒，越大越安全

策略2：禁止Cookie，某些网站会通过Cookie识别用户身份，禁用后使得服务器无法识别爬虫轨迹

策略3：使用user agent池。也就是每次发送的时候随机从池中选择不一样的浏览器头信息，防止暴露爬虫身份

策略4：使用IP池，这个需要大量的IP资源，可以通过抓取网上免费公开的IP建成自有的IP代理池。

策略5：分布式爬取，这个是针对大型爬虫系统的，实现一个分布式的爬虫，主要为以下几个步骤：1、基本的http抓取工具，如scrapy； 2、避免重复抓取网页，如Bloom Filter； 3、维护一个所有集群机器能够有效分享的分布式队列； 4、将分布式队列和Scrapy的结合； 5、后续处理，网页析取(如python-goose)，存储(如Mongodb)。

策略6：模拟登录—浏览器登录的爬取 设置一个cookie处理对象，它负责将cookie添加到http请求中，并能从http响应中得到cookie，向网站登录页面发送一个请求Request, 包括登录url，POST请求的数据，Http header利用urllib2.urlopen发送请求，接收WEB服务器的Response。

4.动态加载又对及时性要求很高怎么处理？

1. Selenium+Phantomjs
2. 尽量不使用 sleep 而使用 WebDriverWait

如何知道一个网站是动态加载的数据？

用火狐或者谷歌浏览器 打开你网页，右键查看页面源代码，ctrl +F 查询输入内容，源代码里面并没有这个值，说明是动态加载数据。

5.python 爬虫有哪些常用框架？

序号	框架名称	描述	官网
1	Scrapy	Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。用这个框架可以轻松爬下来如亚马逊商品信息之类的数据。	https://scrapy.org/
2	PySpider	pyspider 是一个用python实现的功能强大的网络爬虫系统，能在浏览器界面上进行脚本的编写，功能的调度和爬取结果的实时查看，后端使用常用的数据库进行爬取结果的存储，还能定时设置任务与任务优先级等。	https://github.com/binux/pyspider
3	Crawley	Crawley可以高速爬取对应网站的内容，支持关系和非关系数据库，数据可以导出为JSON、XML等。	http://project.crawley-cloud.com/
4	Portia	Portia是一个开源可视化爬虫工具，可让您在不需要任何编程知识的情况下爬取网站！简单地注释您感兴趣的页面，Portia将创建一个蜘蛛来从类似的页面提取数据。	https://github.com/scrapinghub/portia
5	Newspaper	Newspaper可以用来提取新闻、文章和内容分析。使用多线程，支持10多种语言等。	https://github.com/codelucas/newspaper
7	Grab	Grab是一个用于构建Web刮板的Python框架。借助Grab，您可以构建各种复杂的网页抓取工具，从简单的5行脚本到处理数百万个网页的复杂异步网站抓取工具。Grab提供一个API用于执行网络请求和处理接收到的内容，例如与HTML文档的DOM树进行交互。	http://docs.grablib.org/en/latest/#grab-spider-user-manual
8	Cola	Cola是一个分布式的爬虫框架，对于用户来说，只需编写几个特定的函数，而无需关注分布式运行的细节。任务会自动分配到多台机器上，整个过程对用户是透明的。	没找着~
9	很多	看自己积累	多百度

6. Scrapy 的优缺点?

优点：scrapy 是异步的

采取可读性更强的 xpath 代替正则强大的统计和 log 系统，同时在不同的 url 上爬行支持 shell 方式，方便独立调试写 middleware,方便写一些统一的过滤器，通过管道的方式存入数据库。

缺点：基于 python 的爬虫框架，扩展性比较差

基于 twisted 框架，运行中的 exception 是不会干掉 reactor，并且异步框架出错后是不会停掉其他任务的，数据出错后难以察觉。

7.scrapy 和 request?

• scrapy 是封装起来的框架，他包含了下载器，解析器，日志及异常处理，基于多线程， twisted 的方式处理，对于固定单个网站的爬取开发，有优势，但是对于多网站爬取，并发及分布式处理方面，不够灵活，不便调整与括展。
• request 是一个 HTTP 库， 它只是用来，进行请求，对于 HTTP 请求，他是一个强大的库，下载，解析全部自己处理，灵活性更高，高并发与分布式部署也非常灵活，对于功能可以更好实现。
• 
  

8.描述下 scrapy 框架运行的机制？

1. 从 start_urls 里获取第一批 url 并发送请求，请求由引擎交给调度器入请求队列，获取完毕后，调度器将请求队列里的请求交给下载器去获取请求对应的响应资源，并将响应交给自己编写的解析方法做提取处理，如果提取出需要的数据，则交给管道文件处理；
2. 如果提取出 url，则继续执行之前的步骤（发送 url 请求，并由引擎将请求交给调度器入队列…)，直到请求队列里没有请求，程序结束。
3. 
   

9. 实现模拟登录的方式有哪些？

• 使用一个具有登录状态的 cookie，结合请求报头一起发送，可以直接发送 get 请求，访问登录后才能访问的页面。
• 先发送登录界面的 get 请求，在登录页面 HTML 里获取登录需要的数据（如果需要的话），然后结合账户密码，再发送 post 请求，即可登录成功。然后根据获取的 cookie信息，继续访问之后的页面。
• 还可以使用通用方法 selenium Pyppeteer

10.你遇到过的反爬虫的策略？

1. BAN IP
2. BAN USERAGENT
3. BAN COOKIES
4. 验证码验证
5. javascript渲染
6. ajax异步传输

11.你常用的反反爬虫的方案？

1.IP封锁

因为会对用户产生误伤，所以网站一般不会对用户的IP进行长时间的封锁。
解决方案：
（1）修改程序的访问频率
（2）使用IP代理的方式来对网站进行爬取

2.协议头
绝大多数网站，访问时会判断访问来源。
解决方案：
（1）访问时添加协议头

3.验证码
当用户请求频率过高的时候，有些网站就会触发验证码验证机制。
解决方案：
接入打码API，例如云打码。

4.需要登录
有些网站需要用户登录之后才能够获取页面中的信息，那么这种防护能非常有效的防止数据被大批量的被爬取。
解决方案：
（1）小数据量进行爬取(模拟登录后再去爬取，或者使用cookies 直接进行爬取)
（2）申请诸多的账号去养这些号，然后登录，或者获得cookies进行爬取。

5.动态页面的爬取
有一些网站的数据和图片是用JS代码动态生成的，那么服务器端，就会通过判断该用户是否访问了这些资源来判断是否爬虫。
通用解决方案：
（1）使用selenium

12.你用过多线程和异步吗？除此之外你还用过什么方法来提高爬虫效率？

1.协程

2.设置超时时间

3.Scrapy框架

13.有没有做过增量式抓取？

在发送请求之前判断这个URL是不是之前爬取过

在解析内容后判断这部分内容是不是之前爬取过

去重方法

• 将爬取过程中产生的url进行存储，存储在redis的set中。当下次进行数据爬取时，首先对即将要发起的请求对应的url在存储的url的set中做判断，如果存在则不进行请求，否则才进行请求。
• 对爬取到的网页内容进行唯一标识的制定，然后将该唯一表示存储至redis的set中。当下次爬取到网页数据的时候，在进行持久化存储之前，首先可以先判断该数据的唯一标识在redis的set中是否存在，在决定是否进行持久化存储

14.给定a、b两个文件，各存放50亿个url，每个url各占用64字节，内存限制是4G，如何找出a、b文件共同的url？

使用位图来进行处理。比如说这10亿个数的范围为【0-10亿】，那么就申请一个10亿的数组，

数组类型为boolen，只有0和1，0表示没有，1表示有。

这样自然而然的就删掉了重复的部分。

方案一：布隆过滤器

至于内存消耗方面的优化，实际上，如果想要内存方面有明显的节省，那就得换一种存储结构，也就是接下来要重点讲的布隆过滤器（Bloom Filter）。在讲布隆过滤器前，我们要来先认识一下另一种存储结构，位图（BitMap）。因为，布隆过滤器本身就是基于位图的，是对位图的一种改进

如果允许有一定的错误率，可以使用Bloom filter，4G内存大概可以表示340亿bit。将其中一个文件中的url使用Bloom filter映射为这340亿bit，然后挨个读取另外一个文件的url，检查是否与Bloom filter，如果是，那么该url应该是共同的url（注意会有一定的错误率）

方案二：分治思想

Step1：遍历文件a，对每个url求取hash(url)%1000，然后根据所取得的值将url分别存储到1000个小文件(记为a0,a1,...,a999，每个小文件约300M);

Step2:遍历文件b，采取和a相同的方式将url分别存储到1000个小文件(记为b0,b1,...,b999);

巧妙之处：这样处理后，所有可能相同的url都被保存在对应的小文件(a0vsb0,a1vsb1,...,a999vsb999)中，不对应的小文件不可能有相同的url。然后我们只要求出这个1000对小文件中相同的url即可。

Step3：求每对小文件ai和bi中相同的url时，可以把ai的url存储到hash_set/hash_map中。然后遍历bi的每个url，看其是否在刚才构建的hash_set中，如果是，那么就是共同的url，存到文件里面就可以了。

1、Hash取模是一种等价映射，不会存在同一个元素分散到不同小文件中的情况，即这里采用的是mod1000算法，那么相同的url在hash取模后，只可能落在同一个文件中，不可能被分散的。因为如果两个url相等，那么经过Hash(url)之后的哈希值是相同的，将此哈希值取模（如模1000），必定仍然相等。

2、那到底什么是hash映射呢？简单来说，就是为了便于计算机在有限的内存中处理big数据，从而通过一种映射散列的方式让数据均匀分布在对应的内存位置(如大数据通过取余的方式映射成小树存放在内存中，或大文件映射成多个小文件)，而这个映射散列方式便是我们通常所说的hash函数，设计的好的hash函数能让数据均匀分布而减少冲突。尽管数据映射到了另外一些不同的位置，但数据还是原来的数据，只是代替和表示这些原始数据的形式发生了变化而已。

15.爬取图片不完整，失败怎么处理

不完整可能是图片较大，导致部分数据丢失，保存不完整，可以边下载边存，如 data.iter_content() 方法；为了防止失败，最保险的办法是先获取文件的大小，下载后判断一下大小是否一样，浏览器开发者模式 response 里面有一个 content-length 可以判断文件大小

16.JS逆向

请求正文里的参数，可以用多个浏览器去请求页面，然后再去观察
可以观察操作时是否加载了 js 文件，查找对应的 js 文件

如何快速查找 js

方案一：通过点击按钮，然后点击Event Listener，部分网站可以找到绑定的事件，对应的，只需要点击即可跳转到js的位置

方案二：部分网站可能没有绑定 js 监听事件，那么我们可以在 js 文件中搜索 请求正文参数的关键字，或者一些类似加密的函数，比如哈希，base64等

还可以从链接调用开始着手

如果加密很少的 js 我们可以用python复写（也可以使用js2py直接把js代码转化为python程序去执行），但是一旦加密函数过于庞大就需要将 js 抽取出用python+node或是webdriver来执行相关函数

如果是几百几千行的 js 加密呢？

用 python 复写其实也不是不能，但是开发时间和破解效率都是一个很关键的问题

如果说开发时间紧急，那么此时我们就需要使用其他的方式来执行这段 js

第一种:使用 selenium+webdriver 来执行本地文件，然后调用本地 html 上的 js 运行
第二种:使用 python 下的库 exec.js 来调用node来执行

17.解决爬取频率问题

分限制方案，是限制账号还是访问频率

账号限制的话，可以准备多个账号去随机访问

访问频率的话，最 low 的方法是 sleep，你还可以使用代理 IP 池，或者分布式爬虫

18.scrapy 中添加请求头

• 第一种方法，在 scrapy 的spider 中添加请求头

  这种方法的好处是可以比较灵活，可以随意的添加，任意请求头

• 第二种方法，是在 scrapy 的 setting 里添加

• 第三种方法，是在 scrapy 的 middware 中添加请求头，

  1 在 spider 将需要爬取的网页 url 发送给 Scrapy Engine

  2 Scrapy Engine 本身不做任何处理，直接发送给 Scheduler

  3 Scheduler 生成 Requests 发送给 Engine

  4 Engine 拿到 Requests，通过 middware 发送给 Downloader

  ​ 注意：要在 settings 里启动中间件